AI狂热症|从"无所不能"的幻觉到"AI疲惫期"

经过反复尝试，我借助AI仅用2小时就完成了产品原型，页面可以点击，本地数据能正常加载，分析洞察也初具雏形。我欣喜若狂，这种兴奋感在潜意识中让我不断追踪codex的进展，比咖啡更能提神，连续数周精神亢奋却身心疲惫。搜索后发现有同样感受的人不在少数，被戏称为"AI狂热症"。

随后问题开始显现。

客户需要登录功能，但账号体系尚未理清。爬取数据的麻烦远超直接从数据后台下载，数据边界与内容质量标准的界定，多平台多场景的适配，上线后的持续迭代，版本记录、错误回滚、可商业化的指标，这些都还藏在水面之下。

AI降低了原型制作门槛，却没有降低产品增长与商业责任。

AI原生管理者

必须是自己产品的构建者

Shopify CEO Tobi Lutke在2025年发布了内部备忘录，将AI使用设为Shopify的工作基准，其中包括"领导层愿景、在岗学习、社群学习"，也指出AI不能被简单变成一种反射动作，组织需要更完整的学习系统和现实的生产率预期。

后续采访中Shopify提到了更关键的：Shopify的行动不止停留在号召大家使用AI，还在内部提供模型、代理、MCP、LLM proxy和可复用工作流，让员工在实际业务中构建产品。

这一年来的发展，对于职场人而言，AI基准已不是"会使用生成式AI"。它意味着人们对自己的产品、流程和团队产出，要承担AI时代的新责任。

这不等于产品经理都要替代工程师，只是AI正在压缩"想法 -> 原型 -> 反馈"的距离。过去一个产品决策可以先写文档、开评审、排期、等设计、等开发；现在一个管理者如果连最小原型都没有亲手跑过，很容易对复杂度做出错误估计。

兴趣项目中的构建，与自己负责产品中的构建，不是一回事。

前者可以新鲜、好玩、失败也没关系。后者需要对客户、指标、预算、组织协作、账号权限、交付承诺和后续维护负责。一个AI原生管理者的基本动作，至少包括这几步：

产品定位：我究竟在构建一个工具、流程、服务，还是一个可收费产品？

客户场景：客户在什么任务中愿意使用它，而不只是愿意听我介绍它？

账号体系：谁登录、谁授权、谁拥有数据、谁能继续触达？

版本迭代：第一次出错以后，谁收集反馈，谁决定下一版？

评估回流：结果如何判断好坏，失败样本放在哪里？

绩效责任：这个产品改善了哪个业务指标，谁对这个指标负责？

用这些自检能真正感受到自己有没有流于AI原生表面。

原型生成变得越来越快

产品决策与判断越来越重

Simon Willison评价vibe coding为：这种方式能让低风险原型变得很快，但生产级AI辅助编程仍然需要读代码、测试、解释、维护，并考虑性能、安全、可访问性、成本和未来开发。

放在AI应用型产品上也成立。

AI可以让一个人更快做出"像产品的东西"。但"像产品"距离"可用、可卖、可维护"还有好几层。

我在Anthropic的有效代理文章中看到，开发者应从最简单方案开始，很多任务用直接LLM调用、检索和上下文示例就够了；代理系统只会带来延迟、成本和调试复杂度。

因此反向看，LLM越强，产品化越需要工程克制。因为AI生成的原型后剩下的工作更像冰山之下：

交互是否符合客户真实工作流，而不是符合个人臆想的原型；

账号、权限、组织关系是否清晰；

输出件是否能进入、衔接上使用者原本的系统；

使用者可否手动调优产品写入的逻辑，他调了其他使用者怎么办；

如何计算token消耗+人工组合的人效；

我的AI构建疲惫期出现在这里。前20%很快，后80%很磨人。管理者如果只体验前20%，很容易在会上给出轻飘的判断：这个应该很快、这个AI能做、这个交给产品试试。

团队听多了这种判断，会开始失去信任。

成功的AI应用

不该一个人做更多

更不该工作转移给另一个岗位

AI让产品经理做出前端形态，这件事本身有价值，因为它能让产品判断更快进入可感知状态，让用户反馈提前发生。

但如果组织的理解只在这层，就会走向另一个错误：前端的工作被转给产品，产品的工作被转给运营，运营的工作被转给客户成功。每个岗位都被要求"用AI更快"，但生产系统没有变。

这类组织会越来越忙，也越来越乱，但客户没增加、收入也没增加。

重新设计（不是转移）一条生产链，是AI原生产品和AI工具体验的区别。

OPC的增长飞轮

来自第一个成功产品

不是第一个原型

一人公司容易被误读成"一个人很厉害"。我更倾向于把它理解成一种责任结构：产品、分发、反馈、收益和风险尽量闭环到同一个人或极小团队身上。

Pieter Levels是一个典型样本。他在自己的站点披露，Photo AI在2023年已有付费客户和月收入；他也长期公开Photo AI、Interior AI等项目的构建过程。一人公司的飞轮并不靠"一个人能做很多事"启动，起点是第一个能收费的AI原生产品。

飞轮大概是这样启动的：

具体痛点出现，构建者做出最小可用产品；产品开始收费，筛掉只想看热闹的人；真实用户带来反馈和现金流；反馈推动版本迭代；产品积累账号、内容、SEO、口碑、支付和客服经验；这些经验再变成下一款产品或下一组功能的起点。

Cursor是另一个更强的产品案例，虽然它不是纯种一人公司。Cursor在2025年融资9亿美元，估值99亿美元，ARR超过5亿美元，并被超过半数财富500强使用——AI原生产品一旦打穿具体工作流，增长会非常快。

AI原生的商业化起点，不能停在"我们有AI能力"，需要抓住一个足够具体、足够高频、愿意付费、能持续反馈的任务。

一人公司需要第一个成功产品，因为第一个产品会给结构人带来四样东西：现金流、分发资产、用户反馈和自信。没有这四样，所谓一人公司很容易变成一堆原型和一堆未完成项目。

合作型组织也能学习一人公司，但前提是要设计出接近一人公司的责任结构。比如单线程负责人、小团队、清晰损益表、客户反馈直达、版本权责闭环。否则组织里会出现很常见的场景：有人以AI之名指挥别人构建，自己负责解释愿景；有人被要求快速试错，却没有收益和决策权；有人承担客户后果，却没有产品定义权。

这种结构里，很难长出AI原生飞轮。

服务公司只卖token

会给官方平台做嫁衣

AI服务公司如果只卖云服务、API调用、token成本差、prompt包装，风险会越来越高。

2025年企业生成式AI支出达到370亿美元，其中190亿美元流向应用层，超过一半的生成式AI支出进入用户可见的软件和产品，编码成为部门级AI里最突出的用例，企业支出正流向具体岗位、部门和垂直行业场景（*Menlo Ventures的2025企业GenAI报告）。

价值正在从"模型能力展示"迁移到"具体工作流交付"。如果一家服务公司只是帮客户接模型、配云资源、卖token、写几个prompt，官方平台、基础模型厂商、云厂商和大SaaS都可以下沉。它们有模型、账单、分发、生态、企业协议和默认入口。服务商在这里做得越勤快，越可能是在帮官方平台教育市场。

服务公司的机会，在脏活累活里。就是大部分人不想做的那部分：

进入客户的真实使用或者服务对象里：比如合同、病历、门店、客服单、销售线索、课程、生产单；

改造客户的工作流程，而不是只接一个聊天入口；

把行业知识和客户数据变成上下文资产；

建立评估、权限、审计和回滚机制；

对客户交付结果负责（CPS）；

和客户共同打磨一个能产生价值的AI应用。

客户最终不为AI云服务这个名词买单，也不为"我们帮你接上任何一个大模型"买单。如果官方平台明天把模型价格降一半，把常见技能、代理做进LLM、专家模式，我还剩什么呢？

内容生产极速贬值

洞察和账号体系更重要

AI让内容生产成本下降，这件事如今不用再证明了。但是内容质量的衡量标准正在分裂。

第一套标准，是创作者自己觉得好。文笔流畅，观点鲜明，结构漂亮，甚至能模仿作者本人的语气。

第二套标准，是平台机制愿意分发。标题、停留、互动、账号健康、发布时间、内容垂类、历史行为、用户关系，都会影响它能不能被看见。

商业结果里还有第三套标准：它是否让自己的产品有具体的收益。

AI可以更快生成文章、短视频脚本、海报、标题、选题包。但如果账号体系不稳，发布机制不清楚，核心用户关系没有沉淀，产品入口没有设计，内容做到越多，越像在替平台训练分发机制。

普通的内容生产动作变便宜以后，价值转移到了洞察、信任、账号资产、分发机制和产品收益上。

AI时代不奖励

过高过远的高瞻远瞩

AI迭代太快，信息差缩短得很明显。过去一个管理者可以靠几次正确判断积累威望，靠行业经验解释方向。现在，一次宏大判断如果连续落不到产品，一两轮执行之后，团队和客户就会看见差距。

战略仍然重要，但战略须服务于选场景、控下行、放大上行：先做客户听得懂、能试用、能判断价值的最小可行产品，先让客户看见具体变化，再谈平台、生态和更大的愿景。

先立于不可胜，再求可胜。

过高过远的高瞻远瞩，在AI时代很容易变成一种债务。管理者讲了一个很大、模糊的未来，团队会按这个未来投入时间，客户会按这个未来建立期待。随后产品没跑通，交付没接住，版本没有迭代，账号没有沉淀。几次之后，信任会被透支。

历史成功者也没有豁免权。过去的成功证明你曾经判断对过，不证明AI构建的成功率。

AI时代会出现越来越多会做原型的管理者，也会出现越来越多会讲趋势的人。分水岭在谁愿意为一个真实产品的绩效负责。

自勉啊。

也共勉。

-END-